Интеграция и развёртывание

Четыре способа подключения · развёртывание Docker в один шаг · подключение к любому RAG-бэкенду и векторным хранилищам

Четыре способа подключения — один из них точно ваш

От одной команды до глубокой интеграции — свободный выбор под стек вашей команды

Командная строка CLI

Подходит: пакетной обработке в эксплуатации

Одна команда выполняет предобработку, разбиение и оценку. Поддержка пакетной обработки каталогов, возобновления после прерывания и скриптовой интеграции в существующие процессы обработки данных.

HTTP API

Подходит: интеграции в бэкенд приложений

RESTful-интерфейсы покрывают предобработку, построение базы знаний и весь процесс оценки, с поддержкой синхронного/асинхронного режимов, блочной загрузки и отправки прогресса через SSE.

C SDK в виде динамической библиотеки

Подходит: глубокой интеграции на C/C++/Java

Кроссплатформенные .so/.dylib/.dll + заголовочные файлы C, предкомпилированные сборки для нескольких платформ, встраиваются в ваш сервисный процесс без сетевых накладных расходов.

Python / LangChain

Подходит: ИИ-приложениям и командам данных

Python SDK без зависимостей + коннектор LangChain: три строки кода помещают корпоративную базу знаний в список Document с передачей метаданных.

Насколько это просто? Смотрите код

Путь от «файла» до «базы знаний» короче, чем вы думаете

Способ первый: предобработка из командной строки (извлечение→очистка→маскирование→сжатие одной командой)

# предобработка документов uglypearai preprocess --input contract.docx --output-dir out/ --clean --desensitize --compress # построение базы знаний (полный цикл ingest с возобновлением после прерывания) uglypearai chunk --mode ingest --input report.pdf --storage-dir ./rag_store --preset legal # прогон оценки uglypearai eval run --evalset my_set --report out/report.json

Способ второй: Python + LangChain (удобнее всего ИИ-командам)

from uglypear_rag import UglyPearRAG from uglypear_rag.integrations.langchain_loader import UglyPearLoader client = UglyPearRAG("http://внутренний-адрес:8080", api_key="sk-uglypear-***") loader = UglyPearLoader(client, user_tags=["dept:legal"]) docs = loader.load() # -> [Document], метаданные chunk_id/версия/метки прав передаются автоматически

Способ третий: HTTP API (вызывается из любого языка)

POST /v1/rag/preprocess # документ → структурированный JSON + маскированная копия POST /v1/rag/ingest # полный цикл добавления: разбиение → усиление → права → хранение GET /v1/rag/documents # запросы документов и единиц знаний, повторное добавление в базу PATCH /v1/rag/.../validity # управление актуальностью: пометка устаревших/действующих POST /v1/rag/eval/run # запуск оценки, выпуск количественного отчёта POST /v1/rag/feedback # атрибуция по негативной оценке, возврат неудачных случаев

Развёртывание: от Docker до серверных залов отечественного стека

Стандартное окружение — в один шаг, особое — адаптируем по пунктам

Стандартное развёртывание (Docker)

# запуск сервиса (сжатие + полный RAG-цикл) docker compose up -d # или запуск на bare metal RAG_STORAGE_DIR=/data/rag_store PORT=8080 ./uglypear-server

Модели OCR/анализа вёрстки (ONNX) распространяются в составе пакета с локальным инференсом; усиление резюме через LLM подключается к любому OpenAI-совместимому эндпоинту во внутренней сети (опционально). Функциональные модули обрезаются по feature-флагам: только сжатие, только предобработка или полный цикл — каждый берёт своё.

Окружение отечественного стека

Поддержка операционных систем Kylin/UOS, процессоров Phytium/Kunpeng (полный набор arm64-сборок), баз данных DM/KingBase, возможна полностью офлайн-установка. Проверено в нескольких проектах совместимости с китайским отечественным стеком, подробнее:Решение для совместимости с китайским отечественным стеком。

Подключение к вашему ИИ-стеку

Платформа выдаёт стандартный структурированный JSON и единицы знаний с метаданными; можно подключать:

Milvus Qdrant PGVector Elasticsearch LangChain LlamaIndex Dify Любой собственный RAG

На уровне SDK дополнительно предоставляется FFI-динамическая библиотека (libcompressor.so + sdk.h), которую C/C++/Java/Go могут встраивать напрямую. Подробнее:Rust SDK для сжатияиЦентр разработчиков。

От нуля до рабочего состояния — пять шагов

Обычно счёт идёт на «дни», а не на «месяцы»

Подготовка окружения

Предоставляем спецификацию серверов, поставка Docker-образа или офлайн-установочного пакета

Выбор способа подключения

Выбор CLI / API / SDK под стек команды, первый тестовый запрос за полдня

Пилотный прогон документов

Полный цикл добавления в базу на партии реальных документов с выпуском отчётов о качестве разбора и очистке

Тонкая настройка стратегии

Выбор предустановок разбиения по типу документа, совместное построение отраслевого оценочного набора

Промышленная эксплуатация

Подключение к векторным хранилищам и бизнес-системам, постоянный мониторинг через дашборд оценки

Ваша техническая команда работает напрямую с нашими инженерами

Предоставляем документацию по интерфейсам, руководства по развёртыванию и поддержку совместной технической отладки

Связаться для технического подключения